Minimiser les risques d’erreur dans nos conclusions
Le 28 janvier 1986, à 11h39 (HE), la navette spatiale Challenger explosait 73 secondes après son lancement, emportant avec elle les sept membres d’équipage.
Pourtant, la veille du lancement, des ingénieurs à l’emploi du fournisseur des fusées d’appoint avaient alerté leurs gestionnaires et ceux de la NASA: il était risqué de réaliser un lancement dans les conditions exceptionnellement froides qui prévalaient alors en Floride, soit −1 °C.
Pourquoi n’ont-ils pas réussi à convaincre ces gestionnaires de reporter le lancement ?
Parce qu’il manquait aux ingénieurs une preuve statistique pour appuyer leur affirmation alarmante. Et cette preuve aurait pu être fournie par ce que l’on appelle un test d’hypothèses.
Ce test aurait permis aux ingénieurs d’affirmer: «en nous basant sur 22 lancements précédents, voici des données montrant que les joints d’étanchéité qui équipent les fusées d’appoint ont une forte probabilité de ne pas résister au froid annoncé pour le 28 janvier ».
Inversement, les gestionnaires n’ont pas exigé de consulter les résultats d’un tel test, ce qui a laissé transparaître leur propre carence en statistique.
Les tests d’hypothèses sont une branche de la statistique faisant partie du coffre à outils enseigné dans le cadre de la formation Ceinture noire Lean Six Sigma donnée par le Mouvement québécois de la qualité. Ils servent à évaluer, avec un risque d’erreur défini en fonction de la criticité du contexte, si un échantillon provient ou non d’une population préalablement définie. Nous allons revenir là-dessus dans l’explication de la méthode.
Faciles à réaliser, les tests d’hypothèses procurent des conclusions convaincantes et peuvent s’employer dans toutes sortes de situations. Pas étonnant qu’ils soient prisés par de nombreux praticiens de tous les domaines d’activités. Pourtant, ils demeurent, encore de nos jours, sous-exploités lorsque vient le temps d’évaluer les faits en présence pour prendre une décision.